Nguồn tham khảo: Namoun, A., & Alshanqiti, A. (2020). Predicting Student Performance Using Data Mining and Learning Analytics Techniques: A Systematic Literature Review. Applied Sciences, 11(1), 237. https://doi.org/10.3390/app11010237
Truy cập toàn văn: https://doi.org/10.3390/app11010237
Tóm tắt nội dung
Abdallah Namoun và Abdullah Alshanqiti nhận thấy dù dự báo kết quả học tập được quan tâm nhiều, việc dự báo mức đạt chuẩn đầu ra của sinh viên vẫn ít được nghiên cứu. Bài tổng quan có hệ thống này rà soát các công trình từ năm 2010 đến tháng 11 năm 2020 về kỹ thuật thông minh dự báo kết quả học tập, trong đó thành công học tập được đo chặt chẽ qua chuẩn đầu ra. Nguồn tra cứu gồm ACM, IEEE Xplore, Google Scholar, Science Direct, Scopus, Springer và Web of Science.
Tổng cộng 62 bài báo được tổng hợp theo ba góc nhìn: hình thức dự báo chuẩn đầu ra, mô hình phân tích dự báo, và các yếu tố chủ yếu tác động đến kết quả, theo các thực hành chuẩn như PICO và PRISMA. Mức đạt chuẩn đầu ra chủ yếu được đo bằng thứ hạng xếp loại và điểm số. Hồi quy và các mô hình học máy có giám sát được dùng thường xuyên để phân loại kết quả học tập. Hoạt động học tập trực tuyến, điểm đánh giá trong kỳ và cảm xúc học tập là những biến dự báo nổi bật nhất.
Với bài toán dự báo sinh viên bỏ học, tài liệu giúp định hướng chọn biến đầu vào, nhất là điểm đánh giá trong kỳ và dữ liệu hoạt động trực tuyến, những nguồn có thể thu thập ngay trong quá trình học.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Namoun và Alshanqiti (2020) tổng hợp 62 bài báo và thấy hoạt động học trực tuyến, điểm đánh giá trong kỳ và cảm xúc học tập là các yếu tố dự báo nổi bật nhất.
Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp